-
公开(公告)号：CN119206577A
公开(公告)日：2024-12-27
申请号：CN202411276866.5
申请日：2024-09-12
Applicant: 湖南大学
IPC: G06V20/40 , G06V40/20 , G06V40/10 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于注意力融合的视频场景理解方法及系统，该方法将多维度注意力融合模块加入骨干网络构建出行人视频场景下的识别网络，如行人动作识别网络，其中，多维度注意力融合模块是将通道，时间，空间三个维度独立计算各自注意力再进行融合；进而获取视频数据集中每帧图像的行人数据，再利用视频数据集中每帧图像的行人数据训练行人视频场景下的识别网络；最后，利用训练好的行人视频场景下的识别网络，对待检测视频进行视频理解，如输出行人动作类型。本发明技术方案块既单独使用了注意力信息使得各类注意力信息最有效利用，又使注意力信息在时空两个维度进行了整合，得到更全面的信息，增强时序信息利用，提升视频场景理解能力。
-
公开(公告)号：CN114821014B
公开(公告)日：2024-06-21
申请号：CN202210534762.4
申请日：2022-05-17
Applicant: 湖南大学
IPC: G06V10/25 , G06V10/32 , G06V10/74 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/56 , G06N3/0464 , G06N3/08 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于多模态多任务对抗学习的目标检测识别方法及装置，该方法将整个模型分成了特征提取阶段、区域提案阶段和多任务目标检测阶段三个部分。在特征提取阶段，采用多模态特征融合的方法，对输入数据的RGB图像和语义图像进行特征提取，使模型对于图像中目标的位置信息更加敏感，同时还增强了目标语义信息的提取；区域提案阶段用以生成随机窗口和提案框作为下阶段的输入；在多任务目标检测阶段中，采用多任务学习的方法，通过联合训练三个辅助任务来提高主任务的检测精度。对于目标检测网络，引入了对抗学习的思想，加入两个对抗式生成网络，用来生成多样式样本，提高模型的鲁棒性。
-
公开(公告)号：CN115880298B
公开(公告)日：2023-06-16
申请号：CN202310187996.0
申请日：2023-03-02
Applicant: 湖南大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/088
Abstract: 本发明公开了一种基于无监督预训练的玻璃表面缺陷检测系统，该检测系统内设有两相机、光源以及与相机连接的控制器，相机B设置在玻璃正上方，相机A和光源位于相机B两侧；控制器基于拍摄的图像并采用无监督玻璃表面缺陷检测模型进行检测，检测过程为：构建基于动量对比学习的无监督预训练模型并进行预训练得到基于通道注意力机制和空间注意力机制构建的特征提取网络的网络权重参数；将网络权重参数赋值给无监督玻璃表面缺陷检测模型，再利用训练图像得到训练图像上各个图块的多维高斯分布以及利用测试图像得到测试图像上各个图块的嵌入特征向量，再计算同一图块的嵌入特征向量与多维高斯分布的相似距离，以相似距离为标准判定是否有缺陷。
-
公开(公告)号：CN115880298A
公开(公告)日：2023-03-31
申请号：CN202310187996.0
申请日：2023-03-02
Applicant: 湖南大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/088
Abstract: 本发明公开了一种基于无监督预训练的玻璃表面缺陷检测方法及系统，该检测系统内设有两相机、光源以及与相机连接的控制器，相机B设置在玻璃正上方，相机A和光源位于相机B两侧，控制器基于拍摄的图像并采用无监督玻璃表面缺陷检测模型进行检测，检测过程为：构建基于动量对比学习的无监督预训练模型并进行预训练得到基于通道注意力机制和空间注意力机制构建的特征提取网络的网络权重参数；将网络权重参数赋值给无监督玻璃表面缺陷检测模型，再利用训练图像得到训练图像上各个图块的多维高斯分布以及利用测试图像得到测试图像上各个图块的嵌入特征向量，再计算同一图块的嵌入特征向量与多维高斯分布的相似距离，以相似距离为标准判定是否有缺陷。
-
公开(公告)号：CN113610822B
公开(公告)日：2022-09-09
申请号：CN202110927828.1
申请日：2021-08-13
Applicant: 湖南大学
Abstract: 本发明公开了一种基于多尺度信息融合的表面缺陷检测方法，包括：获取待测物品的表面缺陷图像以及标注了缺陷真实坐标值与缺陷类别的标签文件，构建缺陷数据集；对缺陷数据集进行预处理，得到预处理后的缺陷数据集；搭建缺陷检测网络，缺陷检测网络包括特征提取模块和缺陷预测模块，特征提取模块包括主干网络、高层特征融合模块和相邻特征融合模块，缺陷预测模块包括目标区域提议模块和缺陷定位网络；根据预处理后的缺陷数据集对缺陷检测网络进行训练，得到缺陷检测模型；获取待测物品的待检测表面图像，根据待检测表面图像和缺陷检测模型得到表面缺陷检测结果。有效提高检测效率和准确性。
-
Patent Agency Ranking
公开(公告)号：CN114821014A
公开(公告)日：2022-07-29
申请号：CN202210534762.4
申请日：2022-05-17
Applicant: 湖南大学
IPC: G06V10/10 , G06V10/32 , G06V10/74 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/56 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多模态多任务对抗学习的目标检测识别方法及装置，该方法将整个模型分成了特征提取阶段、区域提案阶段和多任务目标检测阶段三个部分。在特征提取阶段，采用多模态特征融合的方法，对输入数据的RGB图像和语义图像进行特征提取，使模型对于图像中目标的位置信息更加敏感，同时还增强了目标语义信息的提取；区域提案阶段用以生成随机窗口和提案框作为下阶段的输入；在多任务目标检测阶段中，采用多任务学习的方法，通过联合训练三个辅助任务来提高主任务的检测精度。对于目标检测网络，引入了对抗学习的思想，加入两个对抗式生成网络，用来生成多样式样本，提高模型的鲁棒性。
-
公开(公告)号：CN119339081A
公开(公告)日：2025-01-21
申请号：CN202411426418.9
申请日：2024-10-14
Applicant: 湖南大学
IPC: G06V10/26 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于有监督学习的输电线路树木分割方法及系统，包括：获取沿输电线路通道采集的点云数据；利用点云数据构建邻接图；将邻接图输入构建的图神经网络模型得到特征空间参量再映射到单木实例标签空间得到单木实例标签概率分布，再以最大概率的单木实例标签的预测值作为对应点的单木分割预测结果；其中，通过采集点云数据样本以及点的单木实例标签的实际值，进而依据单木实例标签的预测值与单木实例标签的实际值进行有监督学习训练。本发明通过构建邻接图引入了点云数据的几何关系，使用图卷积网络能够捕捉局、全局特征，利用单木实例标签信息进行有监督训练，使模型能够学习并区分不同树木的点云特征，提高单木分割的精度和效率。
-
公开(公告)号：CN118864826A
公开(公告)日：2024-10-29
申请号：CN202411345650.X
申请日：2024-09-26
Applicant: 湖南大学
IPC: G06V10/25 , G06N3/0455 , G06N3/084 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于掩码恢复强化的低分辨率弱小目标检测方法及系统，该系统包括：步骤1：对未标注的图像样本集进行随机掩码处理；步骤2：采用自监督目标函数对步骤1得到的随机掩码后的图像数据集进行批次编码及解码重构的迭代训练，得到预训练模型；步骤3：少量标注样本；步骤4：构建基于Transformer的双阶段目标检测网络模型；步骤5：构建并训练基于Transformer的双阶段目标检测网络模型；步骤6：利用训练好的基于Transformer的双阶段目标检测网络模型，对待进行目标检测的图像经过大面积随机掩码后的图像，进行目标检测。该方法使得即使在少量标注情况下，也可实现对图像高精度检测。
-
公开(公告)号：CN118279931A
公开(公告)日：2024-07-02
申请号：CN202410443959.6
申请日：2024-04-14
Applicant: 湖南大学
Abstract: 本发明公开了一种基于头部中心点辅助的特征对比行人检测方法及系统，该方法包括：构建CSP网络新架构，在原CSP网络架构中增设头部分支、特征比对分支以及检测置信度增强器、头部感知NMS模块，再构建训练样本集，其中，以头部中心点作为头部分支的正样本，头部框中非头部中心点作为头部分支的负样本；利用训练样本集输入CSP网络进行训练得到行人检测网络模型；在训练阶段利用头部分支损失以及特征比对损失监督网络学习；在训练以及测试阶段利用检测置信度增强器和头部感知的NMS方法增强检测结果。本发明通过引入头部中心点、特征比对、检测置信度增强器和头部感知的NMS方法，提升了CSP检测精度，降低误检、漏检的发生概率。
-
公开(公告)号：CN115937566A
公开(公告)日：2023-04-07
申请号：CN202210487255.X
申请日：2022-05-06
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/04 , G06N3/08 , G06T7/00
Abstract: 本发明具体公开了一种基于特征解耦的领域泛化和领域自适应血细胞分类方法，所述方法包括以下步骤：S1、搭建深度神经网络血细胞分类模型；S2、构建孪生网络特征解耦模块；S3、预处理源域血细胞图像，并将源域血细胞图像与预处理后的源域血细胞图像一并输入孪生网络特征解耦模块中进行训练；S4、将孪生网络特征解耦模块的两个输出批量归一化处理，并利用KL散度对齐两个输出的风格信息和内容信息，进而通过预定义的分类损失函数进行分类模型优化；S5、对目标域的血细胞测试样本进行预测分类。本发明采用对比学习方法，有效减少了网络模型的训练时间，提高了血细胞图像的分类精度和泛化性能，提升了面对实际复杂条件下血细胞图像的检测性能。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.026 seconds)
